Integrando física y aprendizaje automático para un modelado sísmico directo unificado e inversión de propiedades de yacimientos

Espectando los yacimientos de petróleo y gas desde la distancia

Nunca podemos perforar en todas partes bajo la Tierra, por lo que las compañías petroleras y gasísticas dependen de las ondas sonoras para “ver” el subsuelo. Este estudio muestra cómo la combinación de la física con el aprendizaje automático moderno puede convertir esos ecos en una imagen más fiel de lo que realmente hay en las rocas: cuán porosas son, cuánto contenido de arcilla tienen y si sus poros están llenos de agua, petróleo o gas. El trabajo ofrece una hoja de ruta para aprovechar mejor los sondeos sísmicos, reducir el riesgo de perforación y clarificar qué puede —y qué no puede— decirnos de forma fiable el aprendizaje automático sobre los yacimientos ocultos.

De los granos de roca a los ecos sísmicos

Los sondeos sísmicos funcionan de forma algo parecida a las ecografías médicas: se envían ondas sonoras al subsuelo y se registran las señales reflejadas en la superficie. Pero existe un gran abismo entre lo que se mide (trazas onduladas de ondas reflejadas) y lo que los geólogos quieren saber (los diminutos poros y los fluidos dentro de las rocas a cientos o miles de metros de profundidad). Los autores proponen un marco unificado que enlaza tres escalas: propiedades microscópicas de la roca (porosidad, contenido de arcilla, agua o hidrocarburos), propiedades elásticas intermedias que controlan cómo viaja el sonido (dos velocidades de onda y densidad) y los registros sísmicos a gran escala.

Permitir que la física genere los datos de entrenamiento

En lugar de empezar con datos de campo desordenados, el equipo construyó un laboratorio virtual limpio. Usaron una receta bien establecida de física de rocas, el modelo Raymer–Dvorkin–Voigt, para calcular cómo diferentes combinaciones de porosidad, volumen de arcilla y saturación de agua cambian las velocidades de las ondas sísmicas y la densidad. Muestrearon sistemáticamente una amplia gama de condiciones realistas de roca y fluidos para yacimientos de petróleo y gas, creando rejillas tridimensionales de ejemplos sintéticos. Esas propiedades elásticas alimentaron luego dos tipos de simuladores sísmicos: un enfoque exacto basado en las ecuaciones de Zoeppritz y otro más práctico que imita sondeos reales al convolucionar los contrastes de roca con una wavelet sísmica. Esto les permitió explorar cómo el espesor de las capas y la frecuencia de la wavelet difuminan o “sintonizan” las reflexiones y cómo ese difuminado oculta detalles finos sobre el yacimiento.

El aprendizaje automático aprende el vínculo roca–sísmica

Una vez construido este «Tierra digital», los autores invirtieron el problema. Usando las propiedades elásticas sintéticas como entradas y las propiedades de roca conocidas como objetivos, entrenaron varios modelos de aprendizaje automático, incluidos bosques aleatorios y redes neuronales, para realizar una «inversión petrofísica»: predecir porosidad, arcilla y saturación de agua a partir de datos elásticos. Inyectaron deliberadamente ruido realista y suavizado en las entradas para imitar las imperfecciones de una inversión sísmica real.

Probando el marco en un yacimiento estratificado clásico

Para concretar los resultados, el estudio aplicó la cadena completa directa-e inversa a un modelo estándar de tres capas en “sándwich”: lutita arriba y abajo y una capa de arena que puede contener petróleo, gas o agua. Variando la porosidad, el tipo de fluido y la saturación, y ejecutando las simulaciones sísmicas sintéticas y las inversiones con aprendizaje automático, los autores mostraron cómo la porosidad controla fuertemente la intensidad de la respuesta sísmica, mientras que los efectos del fluido son mucho más sutiles y fáciles de confundir. El marco también permitió cuantificar la incertidumbre de manera controlada, mostrando, por ejemplo, que incluso pequeños errores iniciales o un ruido sísmico modesto pueden erosionar significativamente la confianza en las estimaciones de arcilla y saturación de agua, mientras que las estimaciones de porosidad permanecen comparativamente estables.

Qué significa esto para la exploración en el mundo real

Para los no especialistas, la conclusión es a la vez alentadora y precautoria. La parte alentadora es que, al combinar física sólida con aprendizaje automático, podemos construir una cadena coherente desde lo que medimos en la superficie hasta lo que nos importa en el yacimiento, y podemos probar rigurosamente cuán fiables son diferentes predicciones. La parte precautoria es que no todas las propiedades son igualmente “visibles” para las ondas sísmicas: la porosidad suele serlo, pero el contenido de arcilla y la distinción entre agua e hidrocarburo son mucho más difíciles de precisar solo con datos sísmicos. Los autores sostienen que el futuro está en enfoques híbridos —como las IA informadas por la física y explicables— que permitan al aprendizaje automático ajustar patrones complejos con flexibilidad, a la vez que respetan leyes físicas básicas y hacen sus decisiones más transparentes para los geocientíficos.

Cita: Zayier, Y., Yalikun, Y., Cheng, Y. et al. Integrating physics and machine learning for unified seismic forward modeling and reservoir property inversion. Sci Rep 16, 5932 (2026). https://doi.org/10.1038/s41598-026-36501-6

Palabras clave: inversión sísmica, física de rocas, aprendizaje automático, caracterización de yacimientos, porosidad